专利汇可以提供基于特征融合和稠密连接的红外面目标检测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于特征融合和稠密连接的红外面目标检测方法,构建包含所需识别目标的红外图像数据集,在所述红外图像数据集中标定所需识别目标的 位置 与种类,获得原有已知的标签图像;将所述红外图像数据集分为训练集和验证集两部分;对训练集中的图像进行图像增强的预处理并且进行特征提取和特征融合,通过回归网络获得分类结果和边界框;将所述分类结果和边界框与原有已知的标签图像进行损失函数计算,更新 卷积神经网络 的参数值;重复对卷积神经网络参数进行 迭代 更新,直至误差足够小或迭代次数达到设定的上限为止;通过训练完成的卷积神经网络参数对验证集中的图像进行处理,获取目标检测的准确度和所需时间,以及最终目标检测结果图。,下面是基于特征融合和稠密连接的红外面目标检测方法专利的具体信息内容。
1.一种基于特征融合和稠密连接的红外面目标检测方法,其特征在于,该方法通过如下步骤实现:
步骤1,构建包含所需识别目标的红外图像数据集,在所述红外图像数据集中标定所需识别目标的位置与种类,获得原有已知的标签图像;
步骤2,将所述红外图像数据集分为训练集和验证集两部分;
步骤3,对训练集中的图像进行图像增强的预处理;
步骤4,对预处理后的图像进行特征提取和特征融合,并通过回归网络获得分类结果和边界框;将所述分类结果和边界框与原有已知的标签图像进行损失函数计算,使用包含动量的随机梯度下降法在卷积神经网络中对预测误差进行反向传播,并更新卷积神经网络的参数值;
步骤5,重复步骤3、4对卷积神经网络参数进行迭代更新,直至误差足够小或迭代次数达到设定的上限为止;
步骤6,通过训练完成的卷积神经网络参数对验证集中的图像进行处理,获取目标检测的准确度和所需时间,以及最终目标检测结果图。
2.根据权利要求1所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤4中对预处理后的图像进行特征提取和特征融合,并通过回归网络获得分类结果和边界框,具体通过以下步骤实现:
步骤401,在所述训练集中随机抽取固定数量的图像,对每一幅图像划分10×10的区域;
步骤402,将所述步骤401划分后的图像输入稠密连接网络进行特征提取;
步骤403,对提取的特征图进行特征融合,获得融合的特征图;
步骤404,对所述融合的特征图中每一个区域产生固定数量的建议框;
步骤405,将所述融合的特征图和建议框送入回归网络进行分类和边界框回归,并使用非极大值抑制方法去除冗余,获得分类结果和边界框。
3.根据权利要求2所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤402中稠密连接网络的计算方法如公式:
dl=Hl([d0,d1,...,dl-1])
其中,dl表示稠密连接网络中第l个卷积层的输出结果,若稠密连接网络共包含B个卷积层,则l在0~B之间取值,Hl(*)是正则化、卷积和线性整流激活函数的组合操作,d0为输入图像,dl-1为第l-1层的输出结果。
4.根据权利要求3所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤403中对提取的特征图进行特征融合是将所提取到的不同尺度的特征图通过池化方法进行直接融合。
5.根据权利要求4所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤403中对提取的特征图进行特征融合,具体通过以下步骤实现:
步骤4031,将第一组特征图F1通过池化运算,转换成新的较小的特征图,再与第二组特征图F2融合得到新的特征图F2’;
步骤4032,将新的特征图F2’通过池化运算,再与第三组特征图F3融合得到新的特征图F3’;
步骤4033,用新的特征图F2’和F3’代替第二组特征图F2和第三组特征图F3进入回归网络。
6.根据权利要求5所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤405中将所述融合的特征图和建议框送入回归网络进行分类和边界框回归,并使用非极大值抑制方法去除冗余,获得分类结果和边界框,具体通过以下步骤实现:
步骤4051,将特征图划分为10×10个区域,输入回归检测网络;
步骤4051,对于每一个区域,回归检测网络将输出7个可能存在的目标的位置与种类;
其中,目标种类共有A个,即输出对应A种目标的可能性,与训练集的设置有关;位置参数包含3个数据,包括目标边界框的中心位置坐标、宽、高;
步骤4052,非极大值抑制方法是对于获得的同一种类边界框,使用以下公式计算其交并比:
其中,S为计算所得的交并比,M,N表示同一类目标的两个边界框,M∩N表示边界框M与N的交集,M∪N表示边界框M与N的并集。对于S大于0.75的两个边界框,剔除其中分类结果值较小的边界框。
7.根据权利要求6所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤4中将所述分类结果和边界框与原有已知的标签图像进行损失函数计算,使用包含动量的随机梯度下降法在卷积神经网络中对预测误差进行反向传播,并更新卷积神经网络的参数值,具体通过以下步骤实现:
步骤401,根据所述分类结果和边界框中目标的位置与种类以及训练集中标定的所需识别目标的位置与种类计算损失函数,损失函数的计算公式如下所示:
其中,100为区域数量,7为每个区域需要预测的建议框和最终生成的边界框数量,i为区域编号,j为建议框和边界框编号,loss为误差值,obj表示存在目标,noobj表示不存在目标,x和y分别为建议框和边界框中心的横坐标和纵坐标的预测值,w和h分别为建议框和边界框的宽和高的预测值,C为建议框和边界框是否包含目标的预测值,包含A个值,分别对应A类目标的可能性, 为对应的标注值, 和 分别表示目标落入和未落入区
域i的第j个建议框和边界框内;
步骤402,根据损失函数计算结果,使用包含动量的随机梯度下降法对权重进行更新。
8.根据权利要求1-7任意一项所述的基于特征融合和稠密连接的红外面目标检测方法,其特征在于,所述步骤3的预处理为通过随机旋转、镜像、翻转、缩放、平移、尺度变换、对比度变换、噪声扰动和颜色变化扩充训练集。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于无线电频谱监测大数据处理的辐射源定位方法 | 2020-07-26 | 4 |
一种基于Bi-LSTM-CNN的混合语料分词方法 | 2021-09-23 | 4 |
激光雷达与卫星导航融合的目标在线定位方法 | 2020-05-31 | 4 |
一种基于结构磁共振影像的大脑年龄深度学习预测系统 | 2020-06-07 | 2 |
一种直流电动装置控制系统及其构建方法 | 2020-12-06 | 4 |
边云系统框架下具有隐私保护的梯度下降加速算法 | 2020-08-20 | 3 |
一种基于多元结构的图像复原方法 | 2022-05-20 | 3 |
基于BLSTM的联机手写数学公式符号识别方法 | 2021-01-31 | 2 |
一种西北太平洋环状台风自动识别系统 | 2021-09-05 | 1 |
基于原始对偶算法的自适应加权TGV图像去模糊方法 | 2021-10-24 | 4 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。